AI 与网络edit
乔鑫宝当前主要研究专题，涵盖网络化数据与通信约束下的 AI 系统。
AI 与网络 是本 wiki 中描述 乔鑫宝 当前研究重心的总括性标签。这里的“网络”并不只指通信网络本身，也包括数据所在位置、信息如何流动、哪些机构可以评估模型，以及学习系统在通信、隐私和数据孤岛约束下如何保持可靠。1
引言edit
在本 wiki 中，AI 与网络不是一个单独应用场景，而是一个组织研究脉络的框架。它关注学习过程如何被数据分布、通信成本、边缘设备、去中心化协作和跨机构评估所塑造。相关问题包括 AI for Networks、Networks for AI、分布式计算、去中心化学习中的数据剪枝、低资源或数据孤岛中的协作评估，以及合成数据在有限访问条件下的验证。
在本 wiki 中的作用edit
本页是乔鑫宝研究图谱中最上层的研究专题页面。它把本科通信工程背景、硕士阶段的数据中心机器学习工作，以及博士阶段的信息工程研究连接起来。若模型性能受数据位置和信息流动方式影响，那么算法设计就不能只看中心化训练精度，也要同时考虑通信延迟、局部偏差、隐私和部署代价。本页因此连接 分布式学习、数据孤岛、协作评估、分布式 Wasserstein barycenter 和去中心化训练的数据剪枝。
当前博士阶段关注点edit
在 CUHK 博士阶段，乔鑫宝近期在该方向下关注数据中心 ML、AI for Networks 和 Networks for AI。重点是数据与评估证据受到通信、网络基础设施和去中心化访问塑造的学习系统，而不只是中心化统计目标。
论文edit
| 论文 | 会议/状态 |
|---|---|
| 样本选择偏差何以促成模型坍缩 | ICML 2026，2026年7月6日至11日，首尔。 |
与乔鑫宝工作的关系edit
样本选择偏差何以促成模型坍缩 把问题放在合成数据与数据孤岛中，研究低资源参与方只有碎片化本地证据时，单个本地验证者如何造成递归训练分布变窄。分布式 Wasserstein barycenter 方法仍是这一脉络中的技术路径之一：参考分布不是默认集中存在的对象，而可能需要跨网络计算出来。早期 机器遗忘 工作也体现同一系统视角：算法不仅要准确，还要在删除、更新、通信和延迟成本上可用。